In matthiasgomolka/sdcLog: Tools for Statistical Disclosure Control in Research Data Centers

library(xaringanthemer)
library(sdcLog)
library(DiagrammeR)
style_mono_accent(
  base_color = "#1d3557",
  header_font_google = google_font("Fira Sans"),
  text_font_google   = google_font("Fira Sans", "300", "300i"),
  code_font_google   = google_font("Fira Mono")
)

options(htmltools.dir.version = FALSE)
options(datatable.print.keys = FALSE)
options(datatable.print.class = FALSE)

knitr::opts_chunk$set(
  # prompt = TRUE,
  # comment = "#>",
  collapse = TRUE,
  background = "#FAFAFA"
)

Wer bin ich?

Ich arbeite im Forschungsdaten- und Servicezentrum (FDSZ) der Deutschen Bundesbank.

--

Inhaltliche Schwerpunkte:

--

• Wertpapiertransaktionsdaten
• Data Production Pipelines
• R-Tools, die das FDSZ-Leben einfacher machen

---

Motivation

Problem

• Forschende stehen in der Pflicht, zu zeigen, dass ihr Output den Regeln des FDSZ entspricht.

--

• Das kann schnell sehr komplex werden.

--

• Außerdem ist der Aufwand für das FDSZ sehr hoch, wenn zusätzlich geprüft werden muss, wie die Forschenden die Nachweise für Ihren Output erbringen.

--

Lösung

• FDSZ stellt Forschenden Werkzeuge zur Verfügung, um die Konformität mit den Outputregeln nachzuweisen: sdcLog

---

Theorie

Zwei einfache Regeln:

--

1. Jedes Ergebnis muss auf mindestens 5 unterschiedlichen Entitäten basieren (distinct ID's).

--

1. Die beiden größten Entitäten dürfen nicht mehr als 85% eines Ergebnisses ausmachen (dominance).

---

Ein Beispiel

Forschende möchten das arithmetische Mittel einer Variable berechnen und das Ergebnis in ihrer Publikation zeigen. Dazu müssen sie vorab mit sdc_descriptives() zeigen, dass das Ergebnis den Output-Regeln entspricht.

--

.pull-left[

data("sdc_descriptives_DT")
DT <- sdc_descriptives_DT
head(DT)

]

--

.pull-right[

# gesuchtes Ergebnis
DT[, .(mean = mean(val_1, na.rm = TRUE)),
   by = "sector"]

]

--

# Nachweis, dass das Ergebnis den Regeln entspricht
sdc_descriptives(DT, id_var = "id", val_var = "val_1", by = "sector")

---

Noch ein Beispiel

Diesmal berechnen die Forschenden das arithmetische Mittel gruppiert nach sector und year.

--

sdc_descriptives(DT, id_var = "id", val_var = "val_1", by = c("sector", "year"))

---

Minimum und Maximum

Jetzt möchten Forschende neben dem arithmetischen Mittel auch noch das Minimum und Maximum einer Variablen zeigen.

--

Problem

Minimum und Maximum sind vertrauliche Einzeldaten.

--

Lösung

"Minumum" und "Maximum" als arithmetisches Mittel der kleinsten bzw. größten Werte mit sdc_min_max():

--

sdc_min_max(DT, id_var = "id", val_var = "val_1")

---

Outputkontrolle bei statistischen Modellen

Jetzt möchten Forschende die Ergebnisse einer linearen Regression veröffentlichen.

--

options(sdc.n_ids = 3)

# Modell berechnen
mod <- lm(val_1 ~ sector + year + val_2, data = DT)

# Prüfen, ob Ergebnise freigegeben werden können
sdc_model(DT, model = mod, id_var = "id")

---

Warum heißt es sdcLog?

grViz("
digraph boxes_and_circles {

  # a 'graph' statement
  graph [overlap = true, fontsize = 30]

  # several 'node' statements
  node [shape = box, fontname = 'Fira Sans', width = 5.5]
  script [label = 'analysis.R\nenthält sdc_descriptives() / sdc_min_max() / sdc_model()'];

  node [width = 1] 
  log [label = 'Log Datei']

  node [shape = box, width = 3]
  checks [label = 'Prüfung durch FDSZ']

  node [shape = oval, width = 1] 
  sdc_log [label = '@@1']

  # several 'edge' statements
  script -> sdc_log
  sdc_log -> log
  log -> checks
}

[1]: 'sdc_log(analysis.R)'
")

---

Installation und Kontakt

CRAN

install.packages("sdcLog")

GitHub

https://github.com/matthiasgomolka/sdcLog/issues

E-Mail

[e-mail]

Telefon

069 9556-4991

matthiasgomolka/sdcLog documentation built on July 17, 2025, 3:21 a.m.